Thick as THieFs: Temporal coherent forecast combination for day-ahead electricity prices

기술 요약: Thick as THieFs: 일일 전력 가격을 위한 시계열 일관적 예측 결합

문제 정의
일일 전력 가격은 시간적 입도(temporal granularity)에 따라 시간별 가격부터 블록 및 베이스로드 제품에 이르기까지 다양한 경쟁 모델을 사용하여 예측됩니다. 이 설정은 두 가지 뚜렷한 과제를 제기합니다:

1. 불일치성(Incoherence): 서로 다른 시간적 입도에서 생성된 예측값은 종종 집계 제약 조건을 충족하지 못합니다 (예: 예측된 시간별 가격의 평균이 예측된 일일 베이스로드 가격과 일치하지 않음).
2. 모델 불확실성(Model Uncertainty): 단일 예측 모델이 모든 시장, 시간대, 그리고 모든 시간적 수준에서 일관되게 가장 정확한 성능을 보이지는 않습니다.

기존 문헌은 이러한 문제들을 별개로 다룹니다. 시간적 조정(temporal reconciliation, 예: Athanasopoulos et al., 2017)은 단일 모델에 대해 여러 시간적 수준 간의 일관성을 보장하지만, 경쟁하는 모델들을 결합하지는 못합니다. 반대로, 예측 결합(forecast combination, 예: Bates and Granger, 1969)은 여러 모델을 통합하지만, 시간적 계층 구조에 의해 부과되는 구조적 제약을 일반적으로 무시합니다.

방법론
본 논문은 불일치성과 모델 불확실성을 동시에 해결하기 위해 **시계열 일관적 예측 결합(temporal coherent forecast combination)**을 도출하는 통합 프레임워크를 제안합니다.

• 프레임워크: 이 접근 방식은 교차 섹션 제약이 있는 시계열에 대한 일관적 예측 결합 프레임워크(Girolimetto and Di Fonzo, 2024)를 기반으로 구축되었으며, 이를 시간적 계층 구조로 확장합니다. 이는 각기 다른 $Q \geq 1$개의 전문가(예측 모델)를 고려하며, 각 전문가는 계층의 모든 수준에 대한 기초 예측치를 생성합니다.
• 최적화: 이 방법은 스택된 기초 예측값들의 선형적이고 편향되지 않은 결합을 구하는 것을 목표로 하며, 동시에 시간적 집계 제약을 만족하고 오차 분산을 최소화합니다.
• 폐쇄형 해법(Closed-Form Solution): 최적의 결합은 두 가지 동등한 형태로 도출됩니다:
  1. 구조적 형태(Structural Form): $\hat{z}_{c} = S(S_Q^\top W^{-1} S_Q)^{-1} S_Q^\top W^{-1} \hat{z}$. 여기서 $S$는 고빈도 데이터를 계층으로 매핑하는 구조 행렬이며, $S_Q$는 $Q$개의 전문가에 대해 이를 복제한 것이고, $W$는 스택된 기초 예측 오차의 공분산 행렬입니다.
  2. 제로 제약 형태(Zero-Constrained Form): 선형 제약 최소제곱 조정입니다.
  • 이 솔루션은 $Q=1$인 특수한 경우로서 Athanasopoulos et al. (2017)의 단일 전문가 시간적 조정을 일반화합니다.
• 공분산 추정: 최적의 솔루션은 알려지지 않은 고차원 오차 공분산 행렬 $W$에 의존하므로, 본 논문은 다양한 추정 전략을 평가합니다. 이러한 전략은 다음을 결합합니다:
  • 상관 구조(Correlation Structures): "Full"(제약 없음)부터 "Diagonal"(상관관계 없음)에 이르는 네 가지 구조를 포함하며, 여기에는 "By-expert"(전문가 내부의 시간적 의존성 보존) 및 "By-node"(특정 시점에서의 전문가 간 의존성 보존)가 포함됩니다.
  • 수축 기법(Shrinkage Techniques): 공분산 행렬의 추정을 정규화하여 양의 정치성(positive-definite)과 양호한 조건(well-conditioned)을 보장하기 위해 선형 수축(Ledoit and Wolf, 2004)과 세 가지 비선형 수축 방법(Ledoit and Wolf, 2022a)을 사용합니다.

실험 설정
본 방법론은 2021~2024년 기간 동안 독일(EPEX-DE) 및 스페인(OMIE) 시장의 일일 전력 가격 데이터를 사용하여 평가되었습니다.

• 데이터: 연구에는 ARX(선형 자기회귀), NARX(비선linear 신경망), XGB(그래디언트 부스팅 트리), MITRA(사전 학습된 파운데이션 모델)의 네 가지 서로 다른 모델 클래스를 포함하는 Lipiecki et al. (2026)의 기초 예측값이 활용되었습니다.
• 계층 구조: 시간적 계층은 시간별 가격부터 일일 평균까지를 나타내는 8개의 수준($K = \{24, 12, 8, 6, 4, 3, 2, 1\}$)으로 구성되었습니다.
• 비교 대상: 제안된 일관적 결합은 다음 대상들과 비교되었습니다:
  1. 원본 기초 예측값.
  2. 단일 전문가 시간적 조정(각 모델을 독립적으로 조정).
  3. 순차적 전략(전문가들을 먼저 평균한 후 조정).

주요 결과

• 우수한 정확도: 시간적 일관적 결합은 두 시장 모두에서 거의 모든 시간적 수준에서 기초 예측값과 최선의 단일 전문가 조정 예측값보다 유의미하게 우수한 성능을 보였습니다.
• 오차 감소: 기초 예측값과 비교했을 때, 결합 모델은 전문가에 따라 시간별 평균 절대 오차(MAE)를 4%에서 24%까지 감소시켰습니다. 이 이득은 일반적으로 더 거친 시간적 집계(예: 블록 및 베이스로드 제품)에서 더 크게 나타났습니다.
• 통계적 유의성: Diebold–Mariano 검정을 통해 결합된 예측이 대다수의 경우에서 기초 및 조정된 예측보다 유의미하게 더 정확함을 확인했습니다.
• 강건성(Robustness):
  • **상관 구조(correlation structure)**의 선택이 결정적인 모델링 결정 요소임이 밝혀졌습니다. 전문가의 오차 의존성을 시간적 수준 간에 보존하는 것("by-expert" 구조)이 특정 선형 또는 비선형 수축 방법을 사용하는 것보다 훨씬 더 중요했습니다.
  • 이 이득은 단일 전문가에 의해 주도된 것이 아닙니다. 결합 모델은 거의 모든 시나리오에서 최선의 개별 전문가보다 개선된 성능을 보였습니다.
  • 동시 접근 방식(결합과 조정을 한 단계로 수행)은 순차적 전략(평균 후 조정)보다 우수했습니다.

의의 및 주장
본 논문은 시간적 일관적 결합이 전력 가격 예측에서 불일치성과 모델 선택이라는 두 가지 문제를 해결하는 실용적이고 통계적으로 엄격한 솔루션을 제공한다고 주장합니다. 시간적 계층 구조와 전문가 앙상블을 공동으로 처리함으로써, 이 방법은 시간적 집계 수준과 예측 모델이라는 두 가지 차원의 가용 정보를 완전히 활용합니다.

저자들은 이 접근 방식이 집계 제약을 만족하면서 오차 분산을 최소와하는 선형 무편향 결합을 제공한다는 점을 강조합니다. 결과는 일일 전력 시장과 같이 다양한 시간적 입도에서 의사결정이 이루어지는 환경에서, 단일 "최고" 모델을 선택하거나 모델을 개별적으로 조정하는 것보다 통합된 일관적 결합이 더 우월하다는 것을 시사합니다. 본 연구는 "ThieF"(Temporal Hierarchical Forecasting) 개념을 단일 모델 조정을 넘어 다중 모델 결합으로 확장하는 것을 검증하며, 파운데이션 모델과 전통적인 통계 모델이 전체 시간 스펙트럼에서 예측 정확도를 향상시키기 위해 효과적으로 통합될 수 있음을 보여줍니다.